L’intelligence artificielle devait réduire les tâches répétitives, fluidifier le travail et améliorer la productivité. Elle produit désormais un effet beaucoup plus ambigu dans certaines grandes entreprises technologiques : l’usage de l’IA devient lui-même un objectif. Le Financial Times a rapporté que des collaborateurs d’Amazon auraient utilisé MeshClaw, un outil interne d’agents IA, pour accomplir des tâches inutiles ou secondaires, dans le but d’augmenter leur consommation de tokens et d’améliorer leurs scores d’utilisation.
Le terme utilisé pour décrire cette pratique est parlant : tokenmaxxing. Il désigne le fait de maximiser artificiellement les tokens consommés par un modèle d’intelligence artificielle, non parce que cela crée de la valeur, mais parce que cette consommation devient visible, mesurable et potentiellement valorisée dans l’organisation. Chez Amazon, selon le Financial Times, l’outil MeshClaw permettrait notamment d’automatiser des déploiements de code, de trier des emails ou d’interagir avec des applications comme Slack. Le problème ne vient donc pas de l’outil en lui-même, mais de l’usage qui en est fait sous pression managériale.
L’affaire est d’autant plus significative qu’Amazon aurait fixé un objectif d’usage hebdomadaire de l’IA pour plus de 80% de ses développeurs, selon le Financial Times, repris par Tom’s Hardware et Fortune. L’entreprise aurait également suivi la consommation de tokens à travers des tableaux internes. Amazon affirme que ces données ne sont pas utilisées dans les évaluations de performance. Mais plusieurs collaborateurs interrogés par la presse disent ressentir une pression réelle, surtout lorsque les scores sont visibles et commentés par les managers.
Ce décalage entre l’intention officielle et l’effet vécu est au cœur du sujet. Une entreprise peut affirmer qu’elle ne sanctionne pas directement les faibles utilisateurs d’IA. Mais lorsque l’usage est mesuré, affiché, comparé et associé à une priorité stratégique, il devient rapidement un signal de conformité. Le collaborateur comprend que ne pas utiliser l’IA peut être interprété comme un manque d’adaptation. À l’inverse, l’utiliser beaucoup peut donner l’image d’un profil aligné avec la transformation en cours.
La métrique qui avale le travail
Le tokenmaxxing n’est pas une anomalie isolée. Il relève d’un mécanisme bien connu en management : lorsqu’un indicateur devient une cible, il cesse souvent d’être un bon indicateur. Le nombre de tokens consommés peut dire qu’un outil est utilisé. Il ne dit pas si cet usage est utile, pertinent, sécurisé ou productif. Il ne mesure ni la qualité du code produit, ni le temps réellement gagné, ni la pertinence des décisions prises, ni la satisfaction des équipes.
C’est précisément le piège. Les directions veulent prouver que leurs investissements dans l’IA produisent un effet. Elles regardent alors les indicateurs les plus faciles à collecter : nombre de licences activées, fréquence de connexion, volume de requêtes, tokens consommés, taux d’usage hebdomadaire. Ces données sont simples, rapides à présenter et rassurantes dans un comité de direction. Mais elles peuvent fabriquer une illusion de transformation si elles ne sont pas reliées à des résultats opérationnels concrets.
Le cas Amazon illustre cette confusion. Si un collaborateur lance des agents IA sur des tâches sans valeur pour améliorer son score, l’organisation enregistre une hausse d’usage. Le tableau de bord devient plus flatteur. Mais la productivité réelle peut rester inchangée, voire diminuer. Le collaborateur consacre du temps à nourrir la métrique. L’outil consomme de la puissance de calcul. L’entreprise paie l’usage. Et le management peut croire que l’adoption progresse.
Cette dérive est d’autant plus coûteuse que les tokens ne sont pas une abstraction gratuite. Ils correspondent à une consommation d’infrastructure, d’énergie, de capacités de calcul et, souvent, de budget cloud. Fortune souligne que les grands groupes technologiques, dont Amazon, Microsoft, Alphabet et Meta, investissent massivement dans les data centers et les infrastructures IA. Dans ce contexte, les volumes d’usage deviennent des données stratégiques. Ils servent à justifier des investissements, à prévoir la demande et à démontrer que les outils internes sont adoptés.
Le problème est donc double. À court terme, le tokenmaxxing fausse la mesure de productivité. À moyen terme, il peut aussi fausser la lecture de la demande interne en IA. Si l’entreprise confond usage réel et usage artificiellement stimulé, elle risque de surdimensionner certains investissements ou de mal orienter ses priorités technologiques. Le risque n’est pas seulement RH. Il est financier, opérationnel et stratégique.
Une pression sociale déguisée en innovation
Le phénomène révèle aussi une mutation du contrôle managérial. Les anciennes métriques de présence – badge, temps de connexion, activité clavier – étaient déjà critiquées pour leur faible lien avec la performance réelle. L’IA ajoute une nouvelle couche : la mesure de l’usage intelligent supposé. Le collaborateur ne doit plus seulement être présent ou actif. Il doit prouver qu’il travaille avec l’IA.
Cette pression peut sembler moderne. Elle ne l’est pas forcément. Elle reproduit des logiques anciennes sous un vocabulaire technologique. Il ne s’agit plus de compter les appels traités, les emails envoyés ou les tickets fermés, mais les tokens consommés. Le vocabulaire change, la dérive reste la même : on transforme un outil en instrument de conformité, puis on s’étonne que les équipes apprennent à contourner le système.
Le tokenmaxxing dit aussi quelque chose du climat actuel dans les entreprises de la tech. Les collaborateurs savent que l’IA est associée à la productivité, à la réorganisation des équipes et, parfois, aux suppressions de postes. Dans ce cadre, utiliser l’IA devient une forme de preuve d’adaptation. Ne pas l’utiliser peut être perçu comme une prise de risque. La métrique technique devient alors une assurance comportementale : montrer que l’on suit la direction prise par l’entreprise.
Le paradoxe est évident. Une adoption réellement utile de l’IA exige du discernement. Tous les travaux ne doivent pas être confiés à un modèle. Certaines tâches exigent un contrôle humain strict, une compréhension métier, une confidentialité élevée ou un jugement professionnel que l’automatisation ne remplace pas. Mais une culture managériale obsédée par l’adoption peut pousser les collaborateurs à utiliser l’IA même lorsque l’outil n’est pas nécessaire.
C’est ici que le débat devient sérieux pour les directions RH et les directions générales. L’enjeu n’est pas de savoir si les collaborateurs utilisent assez l’IA. L’enjeu est de savoir s’ils l’utilisent correctement, sur les bons cas d’usage, avec les bons garde-fous et pour produire une valeur mesurable. Une organisation mature ne devrait pas demander : « Combien de tokens avons-nous consommés ? » Elle devrait demander : « Quel travail a été amélioré, avec quel niveau de qualité, à quel coût et avec quels risques maîtrisés ? »
Passer de l’adoption à la valeur
Le cas Amazon montre la nécessité de changer les indicateurs. Le taux d’usage peut rester utile au début d’un déploiement, pour savoir si les équipes découvrent l’outil. Mais il ne doit jamais devenir l’indicateur central de réussite. Une fois la phase d’adoption engagée, la mesure doit se déplacer vers l’impact : délai de traitement réduit, qualité améliorée, erreurs diminuées, satisfaction des équipes, réduction des tâches répétitives, meilleure vitesse de développement, incidents évités, valeur créée pour le client.
Cette distinction est essentielle. Une entreprise peut avoir un taux d’usage IA très élevé et une création de valeur faible. À l’inverse, une entreprise peut avoir un usage plus limité, mais beaucoup plus pertinent, concentré sur les processus où l’IA apporte un avantage clair. La maturité ne se mesure pas au bruit produit par l’outil. Elle se mesure à la qualité des décisions prises autour de son intégration.
Il faut également intégrer le coût complet. Une requête IA a un coût direct, mais aussi un coût de vérification, de supervision, de sécurité et parfois de correction. Lorsque l’IA génère des erreurs, introduit des risques de confidentialité ou produit des résultats approximatifs, le gain initial peut être annulé par le travail de contrôle. Les agents autonomes, comme ceux évoqués dans le cas MeshClaw, exigent encore plus de vigilance, car ils peuvent agir à la place de l’utilisateur dans des environnements opérationnels sensibles.
Le tokenmaxxing n’est donc pas un problème de collaborateurs indisciplinés. C’est d’abord un problème de conception des incitations. Les salariés optimisent ce que l’organisation rend visible et valorisable. Si l’entreprise valorise la consommation d’IA, elle obtiendra de la consommation d’IA. Si elle valorise la qualité, la sécurité, le gain de temps réel et l’impact métier, elle obtiendra des usages plus sélectifs et plus utiles.
Cette affaire rappelle une vérité simple : l’IA ne dispense pas les entreprises de bien manager. Elle rend même le management plus exigeant. Plus les outils deviennent puissants, plus les indicateurs doivent être intelligents. Mesurer l’usage brut d’une technologie avancée avec des métriques pauvres revient à piloter une transformation stratégique avec un compteur de clics.
Amazon n’est probablement qu’un révélateur. D’autres entreprises suivront la même trajectoire si elles confondent adoption, communication interne et performance réelle. Le risque n’est pas que les collaborateurs refusent l’IA. Le risque est qu’ils l’utilisent pour satisfaire un tableau de bord, sans améliorer le travail. Dans cette configuration, l’entreprise ne devient pas plus productive. Elle devient seulement meilleure dans l’art de produire des preuves d’usage.
Le tokenmaxxing doit donc être lu comme un avertissement. L’IA peut transformer le travail, mais seulement si elle est pilotée par des objectifs sérieux. Compter les tokens ne suffit pas. Mesurer la valeur devient indispensable. À défaut, les entreprises risquent de transformer leur grand virage technologique en théâtre de performance interne, avec des collaborateurs incités à prouver qu’ils utilisent l’IA plutôt qu’à démontrer qu’ils travaillent mieux.
